• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.45.2021.tde-06052021-100559
Documento
Autor
Nombre completo
Mateus Gonzalez de Freitas Pinto
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2021
Director
Tribunal
Chiann, Chang (Presidente)
Lopes, Silvia Regina Costa
Montoril, Michel Helcias
Título en inglés
Long memory in high frequency time series using wavelets and conditional volatility models
Palabras clave en inglés
Asset returns
FIGARCH
High frequency data
Intraday data
Long memory
Volatility
Wavelets
Resumen en inglés
The goal of this dissertation is to describe a methodology for modelling the volatility of high frequency financial data, considering its features and stylized facts. In order to account for the long-range dependence in conditional mean and conditional variance, ARFIMA and FI(E)GARCH models are used respectively, when observed. To account for the non-normality, skeweness and kurtosis, features observed in the the distribution of the log-returns in high frequency, the Skewed Student t and the Generalized Error Distribution (GED) are adopted for the innovation term of the aforementioned models. Wavelet shrinkage is used in a non-parametric identification and separation of the intraday jumps from the time series data. The application of this procedure is presented using real high frequency asset returns from the Brazilian Exchange and OTC, as well as exchange rates from cryptocurrencies traded in Crypto Exchanges.
Título en portugués
Memória longa em séries financeiras utilizando ondaletas e modelos de volatilidade condicional
Palabras clave en portugués
Dados de alta frequência
Dados intradiários
FIGARCH
Memória longa
Ondaletas
Retornos
Volatilidade
Resumen en portugués
O objetivo desta dissertação é descrever uma metodologia para modelagem da volatilidade de dados financeiros de alta frequência, considerando suas particularidades e fatos estilizados. Os modelos ARFIMA e FI(E)GARCH são utilizados para modelar a longa persistência das séries na média e na variância condicional, respectivamente, quando isto for observado. A fim de contemplar não-normalidade, assimetria e curtose são utilizadas as distribuições t de Student Assimétrica e Distribuição Generalizada de Erros (GED) para o termo de inovações dos modelos supracitados. A limiarização de ondaletas é utilizada para identificação e separação dos "jumps" intradiários de forma não-paramétrica. A aplicação deste procedimento é apresentada utilizando séries financeiras reais de retornos de ações em alta frequência para ativos negociados no mercado à vista na bolsa de valores brasileira, além de séries de taxas de câmbio de criptomoedas, comparando o modelo semiparamétrico proposto a uma abordagem tradicional sem remover os "jumps".
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2021-05-06
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2022. Todos los derechos reservados.